YOLO Vision 2026:
CC BY 4.0

Набор данных Objects365#

Датасет Objects365 — это крупномасштабный бенчмарк для обнаружения объектов, содержащий 1 742 289 изображений для обучения и 80 000 изображений для валидации, охватывающий 365 классов объектов — от людей, автомобилей и стульев до бутылок, собак и уличных фонарей. Созданный исследователями Megvii и представленный на конференции ICCV 2019, он фокусируется на разнообразных объектах в реальных условиях и широко используется для предварительного обучения моделей компьютерного зрения, которые обобщают данные лучше, чем модели, предварительно обученные на ImageNet.



Watch: How to Train Ultralytics YOLO on the Objects365 Dataset

Предобученные модели Objects365#

Ultralytics публикует модели обнаружения и сегментации YOLO26, предварительно обученные на Objects365v1, поэтому ты можешь обнаруживать его 365 классов без скачивания датасета. Все модели обучались в течение 150 эпох при размере изображения 640.

Модельразмер
(пиксели)		mAPval
50-95		mAPval
50		параметры
(М)		FLOPs
(Б)
YOLO26n64016.322.32.56.0
YOLO26s64024.331.79.621.3
YOLO26m64030.338.220.669.4
YOLO26l64032.240.125.087.7
YOLO26x64035.844.156.1195.7

Модели сегментации используют маски, сгенерированные для Objects365v1, и показывают точность как для рамок (box), так и для масок (mask):

Модельразмер
(пиксели)		mAPbox
50-95		mAPmask
50-95		параметры
(М)		FLOPs
(Б)
YOLO26n-seg64015.713.22.89.7
YOLO26s-seg64023.819.510.534.8
YOLO26m-seg64029.523.823.8122.7
YOLO26l-seg64031.725.328.2141.0
YOLO26x-seg64035.427.963.1315.3
  • Значения mAPval указаны для одиночной модели в одном масштабе на валидационной выборке Objects365v1.
  • Значения Params и FLOPs указаны для объединенной модели после model.fuse().

Ты можешь запустить предсказание или начать дообучение из этих чекпоинтов следующим образом.

Пример использования предобученной модели
from ultralytics import YOLO

# Load an Objects365 pretrained YOLO26n model
model = YOLO("yolo26n-objv1-150.pt")

# Run prediction
results = model.predict(source="image.jpg")

# Start training from the pretrained checkpoint
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Ключевые особенности#

  • Objects365 определяет 365 классов объектов, а в первоначальном выпуске сообщается о 2 миллионах изображений и 30 миллионах ограничивающих рамок (bounding boxes) в общей сложности.
  • Набор данных включает разнообразные объекты в различных реальных сценариях, предоставляя богатый и сложный бенчмарк для задач обнаружения объектов.
  • Аннотации включают ограничивающие рамки для объектов, что делает набор подходящим для обучения и оценки моделей обнаружения объектов.
  • Согласно статье ICCV 2019, предварительное обучение Objects365 превосходит предварительное обучение ImageNet на 5.6 пункта (42.0 против 36.4 mAP) на бенчмарке COCO.

Структура набора данных#

Конфигурация Ultralytics Objects365.yaml определяет два сплита:

SplitИзображенияОписание
Обучение1,742,289Размеченные изображения для обучения моделей
Validation80,000Отложенные изображения для оценки и бенчмаркинга

Загрузка получает обучающий и валидационный сплиты (всего 1 822 289 изображений), а ключ test: в конфигурации остается пустым.

Применение#

Датасет Objects365 поддерживает широкий спектр приложений глубокого обучения в задачах обнаружения объектов:

  • Предварительное обучение бэкбонов обнаружения: Благодаря 365 классам и плотным аннотациям ограничивающих прямоугольников, предварительное обучение Objects365 улучшает последующее дообучение на меньших датасетах, таких как COCO и VOC.
  • Розничная торговля и распознавание запасов: Сотни повседневных категорий — бутылки, чашки, кроссовки, сумки — помогают в мониторинге полок и автоматизированных системах оплаты.
  • Робототехника и «умная» среда: Широкий охват бытовых и уличных объектов помогает роботам и умным камерам распознавать предметы в неструктурированных сценах.
  • Бенчмаркинг детекторов: Длинный список классов и изображения «в дикой природе» делают его требовательным бенчмарком для оценки того, насколько хорошо модели обнаружения справляются с обобщением.

Чтобы размечать собственные изображения, обучать крупномасштабные датасеты и управлять ими в браузере, используй полный рабочий процесс с Ultralytics Platform.

YAML набора данных#

Файл Objects365.yaml определяет конфигурацию датасета — пути к датасету, имена классов и другие метаданные. Он поддерживается в репозитории Ultralytics по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Objects365.yaml.

ultralytics/cfg/datasets/Objects365.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Objects365 dataset https://www.objects365.org/ by Megvii
# Documentation: https://docs.ultralytics.com/datasets/detect/objects365
# Example usage: yolo train data=Objects365.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── Objects365 ← downloads here (712 GB = 367G data + 345G zips)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: Objects365 # dataset root dir
train: images/train # train images (relative to 'path') 1742289 images
val: images/val # val images (relative to 'path') 80000 images
test: # test images (optional)

# Classes
names:
  0: Person
  1: Sneakers
  2: Chair
  3: Other Shoes
  4: Hat
  5: Car
  6: Lamp
  7: Glasses
  8: Bottle
  9: Desk
  10: Cup
  11: Street Lights
  12: Cabinet/shelf
  13: Handbag/Satchel
  14: Bracelet
  15: Plate
  16: Picture/Frame
  17: Helmet
  18: Book
  19: Gloves
  20: Storage box
  21: Boat
  22: Leather Shoes
  23: Flower
  24: Bench
  25: Potted Plant
  26: Bowl/Basin
  27: Flag
  28: Pillow
  29: Boots
  30: Vase
  31: Microphone
  32: Necklace
  33: Ring
  34: SUV
  35: Wine Glass
  36: Belt
  37: Monitor/TV
  38: Backpack
  39: Umbrella
  40: Traffic Light
  41: Speaker
  42: Watch
  43: Tie
  44: Trash bin Can
  45: Slippers
  46: Bicycle
  47: Stool
  48: Barrel/bucket
  49: Van
  50: Couch
  51: Sandals
  52: Basket
  53: Drum
  54: Pen/Pencil
  55: Bus
  56: Wild Bird
  57: High Heels
  58: Motorcycle
  59: Guitar
  60: Carpet
  61: Cell Phone
  62: Bread
  63: Camera
  64: Canned
  65: Truck
  66: Traffic cone
  67: Cymbal
  68: Lifesaver
  69: Towel
  70: Stuffed Toy
  71: Candle
  72: Sailboat
  73: Laptop
  74: Awning
  75: Bed
  76: Faucet
  77: Tent
  78: Horse
  79: Mirror
  80: Power outlet
  81: Sink
  82: Apple
  83: Air Conditioner
  84: Knife
  85: Hockey Stick
  86: Paddle
  87: Pickup Truck
  88: Fork
  89: Traffic Sign
  90: Balloon
  91: Tripod
  92: Dog
  93: Spoon
  94: Clock
  95: Pot
  96: Cow
  97: Cake
  98: Dining Table
  99: Sheep
  100: Hanger
  101: Blackboard/Whiteboard
  102: Napkin
  103: Other Fish
  104: Orange/Tangerine
  105: Toiletry
  106: Keyboard
  107: Tomato
  108: Lantern
  109: Machinery Vehicle
  110: Fan
  111: Green Vegetables
  112: Banana
  113: Baseball Glove
  114: Airplane
  115: Mouse
  116: Train
  117: Pumpkin
  118: Soccer
  119: Skiboard
  120: Luggage
  121: Nightstand
  122: Tea pot
  123: Telephone
  124: Trolley
  125: Head Phone
  126: Sports Car
  127: Stop Sign
  128: Dessert
  129: Scooter
  130: Stroller
  131: Crane
  132: Remote
  133: Refrigerator
  134: Oven
  135: Lemon
  136: Duck
  137: Baseball Bat
  138: Surveillance Camera
  139: Cat
  140: Jug
  141: Broccoli
  142: Piano
  143: Pizza
  144: Elephant
  145: Skateboard
  146: Surfboard
  147: Gun
  148: Skating and Skiing shoes
  149: Gas stove
  150: Donut
  151: Bow Tie
  152: Carrot
  153: Toilet
  154: Kite
  155: Strawberry
  156: Other Balls
  157: Shovel
  158: Pepper
  159: Computer Box
  160: Toilet Paper
  161: Cleaning Products
  162: Chopsticks
  163: Microwave
  164: Pigeon
  165: Baseball
  166: Cutting/chopping Board
  167: Coffee Table
  168: Side Table
  169: Scissors
  170: Marker
  171: Pie
  172: Ladder
  173: Snowboard
  174: Cookies
  175: Radiator
  176: Fire Hydrant
  177: Basketball
  178: Zebra
  179: Grape
  180: Giraffe
  181: Potato
  182: Sausage
  183: Tricycle
  184: Violin
  185: Egg
  186: Fire Extinguisher
  187: Candy
  188: Fire Truck
  189: Billiards
  190: Converter
  191: Bathtub
  192: Wheelchair
  193: Golf Club
  194: Briefcase
  195: Cucumber
  196: Cigar/Cigarette
  197: Paint Brush
  198: Pear
  199: Heavy Truck
  200: Hamburger
  201: Extractor
  202: Extension Cord
  203: Tong
  204: Tennis Racket
  205: Folder
  206: American Football
  207: earphone
  208: Mask
  209: Kettle
  210: Tennis
  211: Ship
  212: Swing
  213: Coffee Machine
  214: Slide
  215: Carriage
  216: Onion
  217: Green beans
  218: Projector
  219: Frisbee
  220: Washing Machine/Drying Machine
  221: Chicken
  222: Printer
  223: Watermelon
  224: Saxophone
  225: Tissue
  226: Toothbrush
  227: Ice cream
  228: Hot-air balloon
  229: Cello
  230: French Fries
  231: Scale
  232: Trophy
  233: Cabbage
  234: Hot dog
  235: Blender
  236: Peach
  237: Rice
  238: Wallet/Purse
  239: Volleyball
  240: Deer
  241: Goose
  242: Tape
  243: Tablet
  244: Cosmetics
  245: Trumpet
  246: Pineapple
  247: Golf Ball
  248: Ambulance
  249: Parking meter
  250: Mango
  251: Key
  252: Hurdle
  253: Fishing Rod
  254: Medal
  255: Flute
  256: Brush
  257: Penguin
  258: Megaphone
  259: Corn
  260: Lettuce
  261: Garlic
  262: Swan
  263: Helicopter
  264: Green Onion
  265: Sandwich
  266: Nuts
  267: Speed Limit Sign
  268: Induction Cooker
  269: Broom
  270: Trombone
  271: Plum
  272: Rickshaw
  273: Goldfish
  274: Kiwi fruit
  275: Router/modem
  276: Poker Card
  277: Toaster
  278: Shrimp
  279: Sushi
  280: Cheese
  281: Notepaper
  282: Cherry
  283: Pliers
  284: CD
  285: Pasta
  286: Hammer
  287: Cue
  288: Avocado
  289: Hami melon
  290: Flask
  291: Mushroom
  292: Screwdriver
  293: Soap
  294: Recorder
  295: Bear
  296: Eggplant
  297: Board Eraser
  298: Coconut
  299: Tape Measure/Ruler
  300: Pig
  301: Showerhead
  302: Globe
  303: Chips
  304: Steak
  305: Crosswalk Sign
  306: Stapler
  307: Camel
  308: Formula 1
  309: Pomegranate
  310: Dishwasher
  311: Crab
  312: Hoverboard
  313: Meatball
  314: Rice Cooker
  315: Tuba
  316: Calculator
  317: Papaya
  318: Antelope
  319: Parrot
  320: Seal
  321: Butterfly
  322: Dumbbell
  323: Donkey
  324: Lion
  325: Urinal
  326: Dolphin
  327: Electric Drill
  328: Hair Dryer
  329: Egg tart
  330: Jellyfish
  331: Treadmill
  332: Lighter
  333: Grapefruit
  334: Game board
  335: Mop
  336: Radish
  337: Baozi
  338: Target
  339: French
  340: Spring Rolls
  341: Monkey
  342: Rabbit
  343: Pencil Case
  344: Yak
  345: Red Cabbage
  346: Binoculars
  347: Asparagus
  348: Barbell
  349: Scallop
  350: Noddles
  351: Comb
  352: Dumpling
  353: Oyster
  354: Table Tennis paddle
  355: Cosmetics Brush/Eyeliner Pencil
  356: Chainsaw
  357: Eraser
  358: Lobster
  359: Durian
  360: Okra
  361: Lipstick
  362: Cosmetics Mirror
  363: Curling
  364: Table Tennis

# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
  from concurrent.futures import ThreadPoolExecutor
  from pathlib import Path

  import numpy as np

  from ultralytics.utils import TQDM
  from ultralytics.utils.checks import check_requirements
  from ultralytics.utils.downloads import download
  from ultralytics.utils.ops import xyxy2xywhn

  check_requirements("faster-coco-eval")
  from faster_coco_eval import COCO

  # Train, Val Splits
  dir = Path(yaml["path"])
  for split, patches in [("train", 50 + 1), ("val", 43 + 1)]:
      print(f"Processing {split} in {patches} patches ...")
      images, labels = dir / "images" / split, dir / "labels" / split
      images.mkdir(parents=True, exist_ok=True)
      labels.mkdir(parents=True, exist_ok=True)

      # Download
      url = f"https://dorc.ks3-cn-beijing.ksyun.com/data-set/2020Objects365%E6%95%B0%E6%8D%AE%E9%9B%86/{split}/"
      if split == "train":
          download([f"{url}zhiyuan_objv2_{split}.tar.gz"], dir=dir)  # annotations json
          download([f"{url}patch{i}.tar.gz" for i in range(patches)], dir=images, threads=17)  # 51 patches / 17 threads = 3
      elif split == "val":
          download([f"{url}zhiyuan_objv2_{split}.json"], dir=dir)  # annotations json
          download([f"{url}images/v1/patch{i}.tar.gz" for i in range(15 + 1)], dir=images, threads=16)
          download([f"{url}images/v2/patch{i}.tar.gz" for i in range(16, patches)], dir=images, threads=16)

      # Move
      files = list(images.rglob("*.jpg"))
      with ThreadPoolExecutor(max_workers=16) as executor:
          list(TQDM(executor.map(lambda f: f.rename(images / f.name), files), total=len(files), desc=f"Moving {split} images"))

      # Labels
      coco = COCO(dir / f"zhiyuan_objv2_{split}.json")
      names = [x["name"] for x in coco.loadCats(coco.getCatIds())]
      for cid, cat in enumerate(names):
          catIds = coco.getCatIds(catNms=[cat])
          imgIds = coco.getImgIds(catIds=catIds)

          def process_annotation(im):
              """Process and write annotations for a single image."""
              try:
                  width, height = im["width"], im["height"]
                  path = Path(im["file_name"])
                  with open(labels / path.with_suffix(".txt").name, "a", encoding="utf-8") as file:
                      annIds = coco.getAnnIds(imgIds=im["id"], catIds=catIds, iscrowd=None)
                      for a in coco.loadAnns(annIds):
                          x, y, w, h = a["bbox"]  # bounding box in xywh (xy top-left corner)
                          xyxy = np.array([x, y, x + w, y + h])[None]  # pixels(1,4)
                          x, y, w, h = xyxy2xywhn(xyxy, w=width, h=height, clip=True)[0]  # normalized and clipped
                          file.write(f"{cid} {x:.5f} {y:.5f} {w:.5f} {h:.5f}\n")
              except Exception as e:
                  print(e)

          images_list = coco.loadImgs(imgIds)
          with ThreadPoolExecutor(max_workers=16) as executor:
              list(TQDM(executor.map(process_annotation, images_list), total=len(images_list), desc=f"Class {cid + 1}/{len(names)} {cat}"))

Использование#

Загрузка 712 ГБ

Objects365 загружается автоматически при первом использовании и требует около 712 ГБ свободного дискового пространства: 345 ГБ для скачанных ZIP-архивов и 367 ГБ для извлеченного датасета. Скрипт загрузки устанавливает пакет faster-coco-eval и преобразует аннотации в формат YOLO, что может занять много времени в зависимости от твоего соединения и оборудования.

Чтобы обучить модель YOLO26n на датасете Objects365 в течение 100 эпох с размером изображения 640, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице обучения модели.

Пример обучения
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="Objects365.yaml", epochs=100, imgsz=640)

Примеры изображений и аннотации#

Набор данных Objects365 содержит разнообразные изображения высокого разрешения с плотными аннотациями ограничивающих рамок для всех 365 классов. Пример ниже показывает типичные для набора данных сцены «в дикой природе» и многообъектные аннотации:

Образец датасета Objects365 с разнообразными аннотациями объектов

Цитирование и благодарности#

Если ты используешь набор данных Objects365 в своих исследованиях или разработках, пожалуйста, сошлися на следующую статью:

Цитата
@InProceedings{Shao_2019_ICCV,
  author = {Shao, Shuai and Li, Zeming and Zhang, Tianyuan and Peng, Chao and Yu, Gang and Zhang, Xiangyu and Li, Jing and Sun, Jian},
  title = {Objects365: A Large-Scale, High-Quality Dataset for Object Detection},
  booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV)},
  month = {October},
  year = {2019}
}

Мы хотели бы выразить признательность команде исследователей, создавших и поддерживающих датасет Objects365 в качестве ценного ресурса для сообщества исследователей в области компьютерного зрения. Для получения дополнительной информации о датасете Objects365 и его создателях посетите веб-сайт датасета Objects365.

FAQ#

  • Датасет Objects365 используется для обучения и оценки моделей обнаружения объектов в шинном обучении и компьютерном зрении. Он предоставляет 1 742 289 изображений для обучения и 80 000 изображений для валидации по 365 классам объектов, и он особенно популярен для предварительного обучения детекторов, которые затем дообучаются на меньших задачах-специфичных датасетах.

  • Конфигурация Ultralytics Objects365.yaml охватывает 365 классов объектов, разделенных на 1 742 289 изображений для обучения и 80 000 изображений для валидации — всего 1 822 289, без тестового сплита. В первоначальном релизе сообщается примерно о 2 миллионах изображений с 30 миллионами ограничивающих прямоугольников в целом.

  • Objects365 требует примерно 712 ГБ дискового пространства — около 345 ГБ ZIP-архивов, которые загружаются автоматически при первом обучении с data="Objects365.yaml", плюс 367 ГБ для извлеченного датасета. Скрипт загрузки устанавливает пакет faster-coco-eval и преобразует аннотации в формат YOLO. Ты можешь просмотреть меньшие альтернативы в обзоре датасетов обнаружения.

  • Чтобы обучить модель YOLO26n с использованием набора данных Objects365 в течение 100 эпох при размере изображения 640, следуй этим инструкциям:

    Пример обучения
    from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="Objects365.yaml", epochs=100, imgsz=640)

    Обратись к странице обучения для получения исчерпывающего списка доступных аргументов.

  • Словарь из 365 классов и плотные аннотации Objects365 делают его одним из сильнейших датасетов предварительного обучения для обнаружения объектов: в статье ICCV 2019 сообщается о приросте на 5.6 пункта (42.0 против 36.4 mAP) по сравнению с предварительным обучением ImageNet на COCO. Его изображения охватывают разнообразные сценарии реального мира, что помогает моделям хорошо обобщать данные для последующих задач обнаружения.

  • Файл конфигурации YAML для датасета Objects365 доступен по адресу Objects365.yaml. Этот файл содержит важную информацию, такую как пути к датасету и метки классов, которая имеет решающее значение для настройки твоей среды обучения.

Участники
GLglenn-jocher15RAraimbekovm3PDpderrenger2RIRizwanMunawar2Y-Y-T-G1MAMatthewNoyce1

Комментарии